هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون

رگرسیون یکی از مهم‌ترین ابزارهای آماری و یادگیری ماشین است. اشتباه نیست اگر بگوییم یادگیری ماشین از رگرسیون شروع شد. رگرسیون ممکن است به‌عنوان یک روش پارامتری تعریف شود که به ما امکان تصمیم‌گیریِ مبتنی بر داده‌ها را می‌دهد یا به‌عبارت‌دیگر با یادگیری رابطه بین متغیرهای ورودی و خروجی، پیش‌بینی‌های مبتنی بر داده‌ها را انجام دهیم. در اینجا متغیرهای خروجی که به متغیرهای ورودی وابسته هم هستند، اعداد واقعی با مقادیر پیوسته می‌باشند. در رگرسیون رابطه بین متغیرهای ورودی و خروجی اهمیت دارد و به ما در درک چگونگی تغییر مقدار متغیر خروجی با تغییر متغیر ورودی کمک می‌کند. رگرسیون اغلب برای پیش‌بینی قیمت‌ها، اقتصاد، تغییرات و غیره استفاده می‌شود.

ساخت رگرسیون در پایتون

در این بخش نحوه ساخت رگرسیون تک متغیره و چند متغیره را فرا خواهیم گرفت.

رگرسیون خطی / رگرسیون تک متغیره

ابتدا چند پکیج مهم و موردنیاز را Import می‌کنیم.

import numpy as np

from sklearn import linear_model

import sklearn.metrics as sm

import matplotlib.pyplot as plt

حال باید داده‌های ورودی را تهیه کنیم. ما داده‌های خود را در پرونده‌ای به ‌نام linear.text ذخیره کرده‌ایم.

input = ‘D:/ProgramData/linear.txt’

ما باید این داده‌ها را با استفاده از تابع np.loadtxt‌ بارگذاری[۱] کنیم.

input_data = np.loadtxt(input, delimiter=’,’)

X, y = input_data[:, :-1], input_data[:, -1]

گام بعدی آموزش دادن به مدل یا train کردنِ مدل است. نمونه‌های train کردن و تست کردنِ مدل را به آن می‌دهیم.

training_samples = int(0.6 * len(X))

testing_samples = len(X) – num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

حالا باید یک شیء رگرسیون خطی ایجاد کنیم.

reg_linear = linear_model.LinearRegression()

شیء ایجادشده را با نمونه[۲]‌های آموزش، train می‌کنیم.

reg_linear.fit(X_train, y_train)

ما باید عمل پیش‌بینی را با استفاده از داده‌های تست هم انجام دهیم.

y_test_pred = reg_linear.predict(X_test)

اکنون داده‌ها را طرح‌ریزی و ترسیم می‌‌کنیم.

plt.scatter(X_test, y_test, color = ‘red’)

plt.plot(X_test, y_test_pred, color = ‘black’, linewidth = 2)

plt.xticks(())

plt.yticks(())

plt.show((

خروجی در شکل زیر مشاهده می‌شود:

قسمت‌های دیگر مقاله را از لینک‌های زیر بخوانید:

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت دوم)

هوش مصنوعی با پایتون – بخش ششم – یادگیری نظارت شده : رگرسیون (قسمت سوم)

[۱] load

[۲] Sample